智慧专业化作为世界上部分国家和地区以创新驱动为主导的区域创新发展政策典范,越来越受到关注。智慧专业化旨在促进区域和国家之间的合作,作为从区域角度实现欧洲2020战略目标的重要动力,智慧专业化战略已成为新的欧洲凝聚政策核心。智慧专业化产业是区域经济发展的支柱与基础,具有区域性、差异性、竞争性、成长性与网络性等特点。由于智慧专业化产业既是地区发展的基础支撑,也是区域竞争力的核心内容,并且决定区域未来产业发展以及结构调整方向,因其潜力性与活力性为区域发展与国民经济社会发展提供了巨大的空间而受到地方政府重视。然而,智慧专业化产业由于存在较多差异性特征,相关问题开始受到众多学者的关注[1]。
关于智慧专业化研究,国外学者最早在理论层面进行了分析,认为区域智慧专业化产业发展起源于产业专业化,并且推动了区域专业化发展。Marshall[2]&Jaocbs[3]分别从不同角度对这一问题进行了阐述,并且形成了MAR外部性与Jacobs外部性[4-5]两种理论观点。从应用研究看,Rubina Verma[6]从全要素生产率角度解释了生产率提高推动服务业成为主导产业,并且以此促进全球经济发展模式转变与分工体系变化;Piyush Chandra[7]从公司视角研究政策因素对于主导产业发展以及企业发展的影响;Annette Schminke[8]研究了出口对于区域产业发展和区域主导产业形成的影响及作用;Schumpeter[9]认为,创新促进了区域发展,同时推动了区域主导产业形成,持类似观点的学者还有Folster[10];Nelson[11]从需求收入弹性变化角度分析了区域主导产业变化特征;Abernathy[12]通过研究发现,主导产业形成会经历一个漫长的过程,在不同阶段会呈现出不同的形态特征;Jovanovic[13]从企业学习能力角度分析了企业创新对企业发展与壮大的影响;Benkard[14]从生产率角度论证了“干中学”有利于企业生产效率提升与区域主导产业形成。从空间尺度研究中国区域智慧专业化既可以了解区域智慧专业化整体分布格局,也可以发现这种空间分布格局在时间维度上是如何演变的,从而为政策制定提供参考依据。
根据评价体系具体内容,通过查找《中国统计年鉴》、《中国科技统计年鉴》以及各省份统计年鉴和其它资料,收集2012-2016年中国各省域单元相关指标数据并进行整理,得到各指标基础数据,部分缺失数据经过平滑处理得到。
智慧专业化产业选择是中国区域智慧专业化发展水平评价的前提,目前国内学者在进行主导产业测度时多选择区位熵作为测度标准[20-21]。通过区位熵对区域内智慧专业化产业专业化程度进行测度,以此反映区域智慧专业化产业的专业化程度,如式(1)所示。
(1)
xij是i地区j产业的产值,qi是指i地区的产值部门总值,一般可取地区生产总值以衡量j产业在地区所有产业部门中所占比重,xj是指全区域的j产业总值,这部分的全区域因研究视角和对象不同而有所区别。一般而言,以省域为地理细分单元,全区域一般是指全国,以全国数据作为比较对象更能反映研究区域在全国产业部门的地位以及专业化程度。因此,本部分xj的数据取全国j产业的总产值,q以全国GDP数据作为研究取值。
一般认为,区位熵值大于1的产业是地方优势产业,通过选择区位熵计算出各地区智慧专业化产业的LQij,将LQij>2的产业定义为智慧专业化产业,最终以此识别地区智慧专业化产业集合。以广东省为例,利用区位熵测算出该省智慧专业化产业,假设分别为A、B、C、D等4个产业,那么4个产业构成了区域智慧专业化产业集合,A+B+C+D=m,m就是广东省的一个产业集合,本文将其定义为广东省智慧专业化产业集群,区域智慧专业化产业相关指标均为智慧专业化产业集合的综合值。
区域智慧专业化发展水平评价是空间分布类型划分与时空格局演变的基础,通过智慧专业化发展水平评价体系构建和数据整理,最终采用回归法测算出2012-2016年中国区域智慧专业化发展水平。
智慧专业化发展水平是经济主体在市场竞争中形成的、不断变化的、争夺市场与资源的综合能力,当前学者在产业发展水平评价指标选取方面可以分为两类,一类以单项指标进行测度,这种做法的优势在于测度相对便捷,并且多数学者选取人均产业产值作为评价标准,如仇方道等[22]在研究江苏省产业竞争力时和边艳对珠江三角洲竞争力进行研究时均以主导产业产值作为单一评价指标。另一类学者选择多项指标对主导产业竞争力进行评价,这些学者们在选取指标时也会在指标内容和指标数量方面存在差异,如彭宝玉、覃成林[23]选择主导产业产值、研发投入、固定资产投资设施建设等10个评标指标对河南省主导产业进行研究;王健、金浩、纪芬叶[24]选取GDP总量、主导产业总产值、R&D投入等44个指标作为河北主导产业评价依据。通过以上分析可以发现,有关产业竞争力指标选取方面当前国内学者尚未形成统一模式,并且存在较大差异。
吴海鹰、段庆林[25]认为,竞争力评价指标体系构建应该遵循3个原则,分别为综合性原则、代表性原则与可行性原则。以此为理论依据,同时参照党耀国、刘思峰[17]的研究成果,结合新形势下中国区域智慧专业化发展特征,评价区域智慧专业化发展水平可以从规模维度、产出维度、产业关联维度、投入维度等4个方面展开。以此为构建基础,遵循数据可比性与统一性原则,同时考虑到数据可得性,选取15个三级指标构建中国区域智慧专业化发展水平评价指标体系,如表1所示。
表1 中国区域智慧专业化发展水平评价指标体系
一级指标二级指标三级指标编号区域智慧专业化发展水平评价指标体系区域智慧专业化产业固定资产投资X1智慧专业化产业发展水平区域智慧专业化产业的总产值X2区域智慧专业化产业从业人员X3区域智慧专业化产业人均产值X4区域智慧专业化产业贡献率X5智慧专业化产业促进能力新产品产值X6专利申请数X7技术市场成交额X8智慧专业化产业关联度智慧专业化产业影响力系数X9智慧专业化产业感应度系数X10区域人均GDPX11互联网普及率X12智慧专业化产业发展环境RD人员全时当量X13R&D投入强度X14电信业务量X15
因子分析法是基于公共因子特征进行分析的模型方法,由于因子分析在分析过程中依据相关性大小对原始资料与变量进行分组,故组内指标相关性会比较高,但不同组的变量之间的相关性相对较低,这就形成了因子分析的基本结构,不同的组为一个基本结构,具有一定的客观性。
(1)KMO检验与巴特利特球形检验。在进行因子分析之前,需先要对标准化处理后的数据进行KMO检验与Bartlett's球形检验,Bartlett's球形检验是以相关系数矩阵为基础构建的,主要侧重于检验数据分布情况以及变量之间的独立性。选取5个年份数据,经过检验发现,5年的KMO值均大于0.6,且单尾检验值均为0.000<0.005,由统计学家Kaiser给出的标准可知,以上5年指标数据均适合作因子分析。
(2)因子提取。由于上述15个指标之间存在一定的相关性,如新产品产值与专利申请数之间存在正相关关系,如果将上述15个指标一一进行分析则存在较大难度,故选择因子分析法将15个变量转化成少数几个不相关的综合因子进行分析。为了使载荷矩阵结构更加简单,突出因子的典型代表变量,并使各指标能够在特征值上有更高的载荷,运用最大方差法对因子分析得到的初始矩阵进行旋转,得到旋转后的矩阵[26]。因子提取结果如表3所示。
表2 KMO与Bartlett's球形检验结果
检验20122013201420152016 Kaiser-Meyer-Olkin度量0.7570.7280.6960.6430.759Bartlett's球形检验近似卡方594.932670.368659.783670.971592.467df105105105105105Sig.00000
表3 各因子之间的特征值、累积贡献率
年份项目F1F2F3F42012特征值7.1613.5781.1181.03贡献率/%47.74323.8537.4566.867累积贡献率/%47.47371.59679.05285.9192013特征值7.6723.5361.28贡献率/%51.14623.5768.531累积贡献率/%51.14674.72383.2542014特征值7.6823.4041.286贡献率/%50.85622.6928.572累积贡献率/%50.85673.54882.1192015特征值7.4073.5481.504贡献率/%49.38223.65610.026累积贡献率/%49.38273.03883.0632016特征值6.9823.4671.531.011贡献率/%46.54723.11510.1976.742累积贡献率/%46.54769.66279.85986.601
如表3所示,通过因子分析,2013年、2014年、2015年均提取得到了3个变量因子,2012年与2016年均提取出了4个因子,以上7个因子的特征值均大于1。具体来看,在累积贡献率方面,2012年4个因子的累计贡献率为85.919%,2013年所提取出的3个因子累计贡献率为83.254%,2014年则同时提取了3个主要因子,这3个主要因子的累计贡献率达到82.119%,2015年15个变量提取了3个主要因子,累计贡献率为83.063%,2016年提取的4个因子累计贡献率为86.601%。可以发现,尽管以上各年累计贡献率有所区别,但是5年累积贡献率均大于80%,故上述公共因子能够较好地代表模型指标并较好地解释变量之间的关系。由于以上分析涉及5年数据,部分指标在各因子上的载荷度于各年分布也有所不同,并且研究重心不在于探讨智慧专业化发展水平影响因素,而主要在于分析其排名与得分情况。因此,本部分略去矩阵旋转部分,同时不单独对各年因子进行命名。
(3)计算因子得分。采用回归法计算因子得分情况,如式(2)、(3)所示。
(q=1,2,3,…,n)
(2)
(i=1,2,3,…,n)
(3)
其中,Fiq表示第i个省在第q个因子上的得分值,Xij为第i个省在第j个指标上的标准化后的数值,βqj表示第q个因子在第j个指标上的值。Fi表示第i个省的总得分,αq表示第q个因子的贡献率,∑αq为所有因子的累计贡献率。
通过计算可以得到2012—2016年中国内地各省域的单项因子得分与综合得分情况,结果见表4。如表4所示,中国智慧专业化发展水平格局整体差异较大,从2016年数据看,北京智慧专业化发展水平得分达到了2.06分,西藏则仅为-0.61分。2016年,中国内地智慧专业化发展水平评分大于1的地区有9个,分别为北京、广东、江苏、上海、山东、浙江、天津、湖北与安徽,剩余22个地区的智慧专业化发展水平均小于0。可以发现,我国整体上发展水平偏低,由于发展水平大于0的地区数量相对较少,说明整体区域分布相对失衡,发展水平高的地区与发展水平低的地区之间存在较大差距。此外,由智慧专业化发展水平得分分布看可以发现,整体上看,经济发达区域的智慧专业化发展水平也相对较高。
表4 2012-2016年中国内地智慧专业化发展水平得分情况
地区20122013201420152016地区20122013201420152016北京1.671.911.941.962.06四川-0.46-0.44-0.41-0.38-0.3天津0.710.820.760.760.27重庆-0.44-0.4-0.33-0.29-0.27山西-0.19-0.3-0.31-0.3-0.29贵州-0.62-0.68-0.67-0.62-0.6黑龙江-0.41-0.47-0.46-0.44-0.09青海-0.49-0.52-0.52-0.53-0.54辽宁0.02-0.03-0.02-0.08-0.15西藏-0.45-0.67-0.66-0.61-0.61吉林-0.1-0.03-0.050.03-0.06新疆-0.11-0.23-0.24-0.27-0.44河南-0.29-0.28-0.23-0.19-0.01内蒙古-0.030.01-0.01-0.11-0.27河北-0.16-0.19-0.2-0.18-0.26湖北-0.030.050.060.110.17江苏1.141.341.320.831.08湖南-0.51-0.51-0.51-0.49-0.26安徽-0.23-0.23-0.22-0.20.06海南-0.6-0.61-0.61-0.6-0.51江西-0.39-0.41-0.44-0.36-0.13上海1.331.261.251.230.93浙江0.780.780.80.770.49山东0.580.690.690.720.81福建0.170.10.110.07-0.16甘肃-0.48-0.58-0.58-0.55-0.48广西-0.5-0.53-0.57-0.51-0.44宁夏-0.2-0.14-0.2-0.14-0.27广东1.11.111.151.161.1陕西-0.1-0.11-0.09-0.1-0.19云南-0.71-0.71-0.75-0.68-0.63
智慧专业化空间分布反映了区域总体创新能力、高新技术发展阶段和经济结构基本特征。区域分类标准用于绘制地区技术表现和概况,并从区域角度评估和监测区域技术动态与经济凝聚力水平。Navarro等提出了一个区域分类法,该分类法基于欧盟186个地区的21个指标,并定义了7个不同类型的区域,指标包括区域社会经济特征、人口密度、科技人力资源、研发支出和专利等方面。Wintjes&Hollanders[27]使用区域分类法将253个区域分为7种空间类型,但与Navarro的分类法侧重点不同的是,该分类更加关注知识能力这一指标特征。欧盟官方普通采用的区域创新系统分类标准是由OECD在区域创新记分牌报告中提出的[28],该报告使用来自28个欧盟成员国以及挪威和瑞士的190个欧盟地区数据。该分类标准全面涵盖高新技术和经济社会发展方面,指标分为促进因素、公司活动和产出指标,并确定了4个主要区域创新分类:领导者、追随者、一般者和落后者。
基于中国区域智慧专业化发展水平评价指标相关系数pij(i,j=1,2,3,…,31)计算省份间的度量距离构建距离矩阵D。其中,D是对角线为0的对称阵。利用离差平方和法对中国内地31个省份智慧专业化发展水平进行聚类分析,依次将智慧专业化发展水平评价指标相关性高的省份进行聚类,最终得到图1。
图1 中国区域智慧专业化发展水平综合评分聚类分析结果
参考OECD制定的区域创新系统分类标准,按照中国区域经济发展实际并结合智慧专业化发展水平综合评分聚类结果,可将中国区域智慧专业化空间分布类型分为创新领导型智慧专业化区域、强力创新型智慧专业化区域、中等创新型智慧专业化区域、一般创新型智慧专业化区域等4类。第一类创新领导型智慧专业化区域包括4个省(市、自治区),其智慧专业化发展水平超过中国区域平均水平的20%以上。第二类强力创新型智慧专业化区域包括1个省份,其智慧专业化发展水平处于中国区域平均水平的90%—120%之间。第三类中等创新型智慧专业化区域包括11个省(市、自治区),其智慧专业化发展水平在中国区域平均水平的50%-90%之间。第四类一般创新型智慧专业化区域包括7个省(市、自治区),其表现低于中国区域平均水平的50%。
广东、上海、北京、天津属于创新领导型智慧专业化区域,区域智慧专业化水平超过中国区域智慧专业化发展水平的20%以上(见图2)。首先,该区域智慧专业化发展的相对优势是区域智慧专业化产值较高,制造业尤其是高科技产业市场份额较大,企业研发投入和专利授权数较大,智慧专业化产业有一个良好的区域发展环境。其次,该区域人口密度较大,人口密集地区可能更具创新性。人与企业的距离越近,知识越容易扩散。
图2 创新领导型智慧专业化区域示例
浙江省、湖北省、安徽省、河南省等中东部部分省份属于强力创新型智慧专业化区域,区域智慧专业化发展水平处于中国区域智慧专业化发展水平的90%-120%之间(见图3)。该区域智慧专业化发展的相对优势是智慧专业化产业从业人员较多,电信业务量较大和区域互联网普及率较高。区域人均GDP、区域互联网普及率、区域电信业务量不断上升,为区域智慧专业化产业发展创造了一个良好的发展环境。
四川、云南、贵州、重庆属于中等创新型智慧专业化区域,区域智慧专业化发展水平处于中国区域平均水平的50%—90%之间(见图4)。该区域智慧专业化产业总产值、区域智慧专业化从业人数、区域智慧专业化人均产值等指标得分较为均衡,智慧专业化产业发展水平和智慧专业化产业促进能力占区域智慧专业化发展水平的50%。
图3 强力创新型智慧专业化区域示例
图4 中等创新型智慧专业化区域
新疆、青海、宁夏、西藏等省(市、自治区)属于一般创新型智慧专业化区域,智慧专业化发展水平低于中国区域智慧专业化发展水平的50%(见图5)。该区域智慧专业化产业发展水平、智慧专业化产业促进能力、智慧专业化产业关联度、智慧专业化发展环境得分均较低,智慧专业化发展程度一般,成长空间较大。与其它区域的显著差异是上述区域内农业和矿业就业份额较大,高科技制造业就业份额较小,微型企业和中小企业销售额占比较大,大型企业销售额占比较小,外资企业数量较少,企业平均研发支出较低,人均国内生产总值较低,国内生产总值增速较缓慢,人口增长率较低。
图5 一般创新型智慧专业化区域
采用聚类分析方法对中国区域智慧专业化发展水平进行分类,为揭示区域内智慧专业化空间格局演变,需要进一步对面板数据进行空间探索性分析。
根据历年各区域智慧专业化评分结果,使用GIS软件进行空间运算以及空间可视化呈现。运用空间断裂点法将2012—2016年智慧专业化发展水平分为5类,分别为智慧专业化发展水平高、智慧专业化发展水平较高、智慧专业化发展水平一般、智慧专业化发展水平较低和智慧专业化发展水平低。分析2012—2016年中国区域智慧专业化发展水平及其演化,运用GIS绘制2012年与2016年智慧专业化得分空间分布图,结果见图6。
图6 2012年与2016年智慧专业化发展水平评价地理格局
图6为2012年与2016年中国区域智慧专业化发展水平评价图,其中,左图为2012年中国区域智慧专业化发展水平评价图,右图为2016年中国区域智慧专业化发展水平评价地理格局图。从图6可以发现,中国区域智慧专业化空间格局分布呈现如下3个特征。
(1)东部沿海地区是智慧专业化发展水平高值区。从图6可以发现,2012与2016年东部区域主要省(市)的智慧专业化发展水平评分均处于第一,而山东省则处于第二层级,其中,2012年北京市、江苏省、上海市与广东省的智慧专业化发展水平位于第一层级。同时,山东省、天津市与浙江省位于第二层级,沿海地区的福建省与河北省则位于第三层级。从分布结果看,除海南省位于第五层级外,其余大多数省(市)均位于靠前层级。从动态视角看,2016年东部沿海地区的山东省由第二层级演变为第一层级,同时,尽管河北省由第三层级演变为第四层级,但东部地区的北京市、上海市、江苏省与广东省仍处于第一层级,并且天津与浙江也处于相对较高的层级。无论是2012年还是2016年,第一层级只出现在东部沿海地区,智慧专业化发展水平较高的地区均是经济较为发达的区域,说明经济发展与智慧专业化发展水平之间存在一定的互动关系。
(2)中部地区智慧专业化发展水平整体有了一定程度的提升。从2012年中部地区智慧专业化发展水平地理格局分布图看,中部地区所有省份均位于第三层级与第四层级,没有一个地区位列第一层级或者第二层级。具体看,安徽省、山西省与湖北省位于第三层级,河南省、江西省与湖南省则位于第四层级,整体处于相对落后位置。随后,中部地区智慧专业化发展水平出现了一定程度的变化,2012-2016年中部地区的河南省由第四层级演变为第三层级,江西省由第四层级演变为第三层级,湖北省由第三层级演变为第二层级,山西省由第三层级演变为第四层级,而湖南省则保持相对稳定。可以发现,2012-2016年中部地区智慧专业化发展水平整体上有了一定程度的提升,在东部地区工业产业转移的大背景下,中部地区由于承接了东部发达地区的部分产业转移,自身产业得到了发展。
(3)西部地区智慧专业化整体发展水平相对较低且趋于落后。2012年,整个西部地区位于后3个层级,没有第一层级与第二层级的地区。具体看,新疆、内蒙古、宁夏、陕西等地区位于第三层级,而其余地区均位于第四层级与第五层级,其中云南与贵州两地位于第五层级。从动态视角看,对比2012年与2016年中国区域智慧专业化发展水平评分分布图可以发现,各省(市、自治区)智慧专业化发展水平相对得分中,西部地区整体趋于落后,2012-2016年其与中部地区的差异在扩大,2016年西部地区的所有省份均处于第四层级与第五层级,且第五层级数量在增长,发展水平相对较低的地区在西部呈现连片分布特征,说明在区域智慧专业化竞争中西部地区智慧专业化相对发展水平在下降。
(3)东北地区智慧专业化具备一定的竞争力,且整体相对竞争能力有所增强。2012年东北地区智慧专业化发展水平中,黑龙江位于第四层级,吉林省与辽宁省位于第三层级。2016年,东北地区智慧专业化发展水平地理格局有所变化,黑龙江由第四层级演变为第三层级,而吉林省与辽宁省仍处于第三层级。从具体排名数据看,2012年吉林省智慧专业化发展水平排名为12,2016年提升至第11名,而黑龙江省则由全国排名21提升至第12,整体相对竞争力有所提升,同时辽宁省由第9名下降至第14名,相对竞争力有所下降。但从整体上看,东北地区智慧专业化发展具有一定特色,在全国范围内具有一定的竞争力,伴随近年来东北地区产业结构调整,整体上区域智慧专业化发展水平具有一定程度的提升。
空间分析的第一步是空间权重矩阵构建,而空间权重矩阵实质上反映了各区域之间的空间关系。一般而言,空间权重矩阵包含地理相邻空间矩阵与空间距离矩阵两种模式,从空间临近矩阵看,地理之间邻近矩阵存在3种关系与模式,分别为车相邻(Rook contiguity)、象相邻(Bishop contiguity)与后相邻(Queen contiguity)。其中,车相邻表示两个空间之中存在共同边,象相邻则表示两个空间之间存在共同角。空间之间的关系还存在另一种模式,表示空间之间的关系只要存在共同边或者共同角,那么便为后相邻。由此可见,后相邻是车相邻与象相邻的一种特殊模式,3种模式如图7所示。
图7 常用空间相邻模式
目前在空间权重矩阵构建中,较为常用的方法是基于空间相邻存在情况构建空间矩阵,这种空间相邻矩阵特征是指当两个空间之间相连时赋值为“1”,当两个空间不相连时则赋值为“0”。一般在计算过程中,基于以上3种模式的计算则均属于此范畴,空间相邻矩阵计算公式如式(4)所示。
(4)
由于空间邻近矩阵是基于地理空间之间的邻近展开的,所以更多地从空间是否相邻这一角度进行分析。后续学者从地理空间之间的距离出发,构造了新的空间矩阵,亦即空间距离矩阵。空间距离矩阵是基于地理学第一定律即空间之间的事物均存在相关关系,距离较近的事物之间空间相关性高于距离较远的地区,由此可以根据某一空间跟另一空间的相对距离构建权重矩阵。目前学界常采用直线距离对距离变量进行测量,部分学者基于交通可达性等计算,有时也会采用时间距离与经济距离计算。式(5)为距离矩阵计算公式,式中dij表示i与j地区的距离,∑jdij表示i到所有地区的距离之和。一般而言,在进行社会科学类分析中一般采用相邻矩阵进行运算,智慧专业化发展水平空间自相关也采取相邻矩阵进行计算。
(5)
4.2.1 全局空间自相关
空间自相关在地理学中的运用有其核心内涵,该内涵来自于Tobler地理学第一定律,该定律指出,空间内任何事物都存在相关关系,但是距离较近的事物间的相关性高于距离较远的事物。当前,空间计量分析中的空间自相关分析分为全局空间自相关分析与局部空间自相关分析。全局空间及相关分析指标用于测度研究区域整体空间相关程度,常用Moran指数的正负与大小表征,其计算公式如下[29]:
(6)
公式(6)中,I为全局空间自相关计算公式所测度的Moran指数,x与表示智慧专业化发展水平得分和智慧专业化发展水平得分的平均值,wij表示空间与邻地空间的属性。本部分选择的是空间距离矩阵,wij的大小整体上与地理空间之间的邻近性成正比,当wij较大时则表明地理单元之间较为邻近。I表示Moran指数,如果计算出的Moran指数大于零,则表明空间存在正相关关系,当Moran指数为负时,则表示存在负的空间关系,该值绝对值大小表示正负关系强度。运用Geoda软件计算2012-2016年中国区域智慧专业化分布全局空间自相关Moran指数,绘制2012年与2016年Moran指数图,如图8所示。
图8 2012年与2016年中国区域智慧专业化发展水平评分Moran指数图
图8显示,2012年中国区域智慧专业化全局Moran指数为0.416 7,p值为0.00<0.05,说明其在95%置信区间内通过了显著性检验,2012年Moran指数为正,说明中国智慧专业化空间分布呈现出正的空间关系,即智慧专业化发展水平高的地区其邻近区域智慧专业化发展水平也相对较高,相反,智慧专业化发展水平较低的地区其邻近地区发展水平也相对较低。2016年中国区域智慧专业化全局Moran指数同样为正,且p值为0.000,通过了显著性检验,说明2016年中国区域智慧专业化空间分布仍为正的空间自相关关系。对比2012年与2016年Moran指数大小可以发现,2016年Moran指数小于2012年Moran指数,说明2016年中国区域智慧专业化发展水平空间正相关程度整体在减弱。由于全局空间自相关整体上只能反映出区域整体空间性质,无法有效判断区域内部的空间关系与特征,故需要运用局部空间自相关分析方法作进一步分析。
4.2.2 局部空间自相关
局部空间自相关关系表征特定地区和周边地区的空间相关类型与程度,一般运用LISA图表征。从理论上看,局部空间自相关的统计量之和等于全局空间自相关,同时,特定区域与邻近区域之间存在某种关系,并且能够通过LISA图判断、分析特定区域与邻近区域之间的关系。与全局空间自相关相比,局部空间自相关价值在于可以清晰判断区域内部的相关性质,而当全部空间自相关关系存在时,运用局部空间自相关关系可以有效判断区域内部异质及强弱程度。由于每个点都具有局部空间自相关性质,因此,通过计算得出的显著性地图和集聚点图形可以判断出地区局部空间关系,这也是局部空间自相关分析的优势之一。局部空间自相关指数计算公式如式(7)、(8)所示。
(7)
(8)
式中,Iα为局部空间自相关值,Xα为α地区表征智慧专业化发展水平得分的指标值。在实际处理过程中,为了消除观察值的量纲影响进行标准化处理得到Zα,A为中国省(市、自治区)数量,由于数据缺失,本研究中国区域主要为内地31个省(市、自治区)。B为与α相邻的地区数量,局部空间自相关计算结果一般可以分为4种类型,分别是H-H、L-L、H-L与L-H,前两种表示存在正的空间相关关系,后两种表示存在负的空间相关。具体而言,H-H表示高地区被高地区包围,L-L表示低地区被低地区包围,H-L表示高地区被低地区包围,L-H表示低地区被高地区包围。
图9 2012年与2016年中国区域智慧专业化发展水平局部自相关关系
由于海南省为岛屿,与内地在陆地空间上割裂,所以采用距离空间权重矩阵进行局部空间自相关分析。运用Geoda绘制2012年与2016年中国区域智慧专业化发展水平局部自相关LISA图(见图9),可以发现2012年15个地区通过了显著性检验,16个地区未通过显著性检验,这些未通过显著性检验的地区在现有数据下无法判断属于哪种空间类型;2016年通过检验的地区则达到了17个,未通过检验的区域为14个。分析2012年与2016年中国区域智慧专业化局部自相关LISA图可以发现,局部空间自相关关系中仅有H-H、L-H与H-H这3种类型出现,未出现H-L区域这一局部空间关系类型。
2012年,京津冀地区中的北京与天津均位于H-H区域,河北则位于L-H区域,说明河北省智慧专业化竞争能力处于相对低值区,但其邻近区域处于相对高值层级,山西也处于L-H区域。山东、江苏、上海与浙江等4个连片区域处于H-H层级,说明上述地区智慧专业化发展水平处于高值层级,且其邻近区域也处于高值层级。整体上看,L-H主要分布在H-H区域周边,西南地区整体均处于L-L区域,上述区域有四川、重庆、云南、贵州与广西,说明上述连片地区处于智慧专业化发展水平低值区域,并且地区之间的相对发展水平也较低。
2016年,中国区域智慧专业化发展水平局部空间自相关图出现了一定变化,2012年处于L-H层级的安徽省与湖北省演变为H-H区域,H-H区域由中部沿海区域向长江流域扩展,使得最终连片分布的H-H区域有北京市、天津市、山东省、江苏省、安徽省、浙江省与湖北省。河南省则由2012年的不显著演变为L-H区域,与山西、河北形成了L-H连片区域。2016年,福建省区域智慧专业化局部空间自相关格局演变为L-H区域,而西南地区的连片L-L空间类型未发生较大变化,但整体L-L区域开始向西北地区扩展,使得全部L-L地区有云南省、四川省、甘肃省与青海省,但是2012年L-L中的部分区域演变为不显著,故无法判断空间类型,整体上L-L区域向西北地区进一步延展而形成连片区域。
在局部空间自相关LISA图中,连片分布情况印证了全局空间自相关正的空间关系,同时反映出各区域之间智慧专业化发展水平的空间分异性。整体上看,东部地区智慧专业化发展水平在提升,而中部地区受到东部地区外溢的影响,其智慧专业化发展水平也有所提升,但西部地区的相对地位在下降[30]。
区域智慧专业化发展水平是区域竞争力的重要体现,不仅能够影响区域自身发展,也关系到区域协调。研究发现,2012-2016年区域智慧专业化发展水平分异程度在提升,东部地区是智慧专业化发展水平的高值区,中西部地区处于相对低值区。智慧专业化发展水平空间分布具有显著的空间正相关关系,智慧专业化发展水平高的地区其邻近区域发展水平也相对较高。从局部空间自相关分析结果看,相同空间关系的区域呈现出较为明显的连片分布特征,2012-2016年东部地区智慧专业化发展水平得到了进一步提升,西部地区智慧专业化发展水平则出现下降。
在区域智慧专业化发展过程中必须依赖区域空间组织结构。董姝娜和武向平[31]指出,区域产业发展必须要不断缩小区域之间的差异,强化区域之间和区域内部经济活动联系。因此,良好的组织机制是保证区域间协调发展的关键。区域智慧专业化空间组织机制主要是指利用经济区划、主体功能区、区域发展战略、区域规划、开发模式等不同组织方式,结合不同区域资源要素进行全方位的规划和谋划,对不同区域进行智慧专业化功能定位和增长极布局,通过建立区域空间创新网络促进不同区域间的分工与合作,推动区域间智慧专业化合作和发展。
5.2.1 四大经济板块智慧专业化战略协调发展
东部地区、中部地区、东北地区和西部地区智慧专业化发展不平衡是我国区域智慧专业化发展的主要特点,其主要原因在于我国行政区划。因此,为了推动和促进各区域智慧专业化协调发展,必须推动和促进四大经济板块协调发展。结合不同区域资源禀赋,需要制定具有差异性的智慧专业化发展战略。具体来讲,东部地区在发展过程中主要以转变经济发展方式和优化经济结构,提升自主创新能力为核心,以高新技术产业和竞争优势产业为主导,积极实施国际化发展战略,全面发挥东部地区的竞争优势,提升我国在国际市场中的地位和话语权[32];中部地区在发展过程中需要积极利用东部地区产业转移的机遇,结合资源优势加快产业结构调整和产业结构优化,大力发展现代工业体系[33];西部地区在智慧专业化发展过程中应该以差异化发展战略为指引,在相关政策支持和引导下,以基础设施建设、生态环境建设、科技教育和人才培养为核心,推动西部地区智慧专业化快速发展。
5.2.2 智慧专业化经济圈与智慧专业化城市群融合发展
从区域内部看,在智慧专业化发展中需要实现跨省(市、自治区)智慧专业化合作,主要组织形式为智慧专业化经济圈和智慧专业化城市群,其构成了区域协调发展的第二层级空间组织机制。目前,我国在区域经济发展过程中已建立多个经济圈和城市群,要在这些经济圈和城市圈的基础上,实现区域内部智慧专业化协调发展。
刘红光等[34]指出,当前我国划分为七大经济圈,珠三角经济圈、长三角经济圈和环渤海经济圈是我国产业发展和经济发展的增长极,从区位空间上看,全部位于东部地区。与东部地区经济圈相比,我国中西部地区尚未形成与其具有相同或者类似竞争力的经济圈,这也是导致我国区域智慧专业化发展水平差异的原因之一。
5.2.3 发挥区域智慧专业化布局的空间经济效应
《智慧专业化研究与创新战略指南》强调[35],信息和通信技术作为区域智慧专业化的重要特征,是促进经济增长、创新和提高生产力的强大动力。区域智慧专业化空间布局是实现区域经济性的基础,其赋予了智慧专业化空间特性和经济特性。因此,区域协调发展实际上可以看作是区域生产力不断优化的过程。区域智慧专业化空间布局通过在一定空间范围内的要素集聚和扩散,影响整个区域产业布局和经济发展,并通过智慧专业化合理的空间布局,实现极化效应和扩散效应。张亮、刘义成[36]认为,从本质上讲,空间集聚效应与扩散效应是大规模生产和成本节约在产业发展经济属性方面的体现。本地市场效应的集聚力量不仅能够充分利用大市场的空间优势,而且能够进一步降低经济发展各环节的交易成本。因此,通过打造具备竞争力的本地市场,能够将生产要素聚集到一定的空间区域内,进而实现规模经济效应。
区域智慧专业化空间布局及空间结构变化会带来极化效应和扩散效应。其中,扩散效应主要是指生产要素和经济活动在区域产业与区域经济发展过程中逐渐从集聚中心向区域周边不断扩散的过程[37]。极化效应和扩散效应是两种不同的效应,扩散效应在一定程度上会分散集聚的力量,在区域经济发展中主要通过拥挤效应和本地竞争效应两种机制实现。
运用空间探索性分析方法对中国区域智慧专业化空间分布类型与时空格局演变问题进行研究,并得到了有价值的结论,但是也存在两点可以改进之处:一是研究时间尺度相对偏短,导致部分区域没有呈现出显著演变特征;二是虽然分析了智慧专业化空间格局与演化特征,但是对具体影响机理研究稍显不足。未来可从更长的时间尺度对这一问题进行展开,同时通过构建计量模型,分析影响智慧专业化空间分布类型和时空格局演变的具体因素与机理。
[1] 邓金钱,何爱平.政府主导、产业结构变迁与城乡收入差距[J].软科学, 2018(3).
[2] MARSHALL A. Principles of economics [M]. London: Macmillan, 1920.
[3] KENNETH JOSEPH. The economic implications of learning by doing [J]. Readings in the Theory of Growth,1971(9): 131-149.
[4] PAUL M. Increasing returns and long-run growth [J]. Journal of Political Economy, 1986, 94(5): 1002-1037.
[5] JACOBS JANE. The economy of cities [M]. New York: vintage books, 2016.
[6] VERMA,RUBINA.Can total factor productivity explain value added growth in services [J]. Journal of Development Economics, 2012, 99(1): 163-177.
[7] CHANDRA PIYUSH, LONG CHERYL. VAT rebates and export performance in China: firm-level evidence [J]. Journal of Public Economics, 2013,102: 13-22.
[8] SCHMINKE ANNETTE, VAN BIESEBROECK JOHANNES. Using export market performance to evaluate regional preferential policies in China [J]. Review of World Economics, 2013, 149(2): 343-367.
[9] OPIE R. The theory of economic development: an inquiry into profits, capital, credit, interest, and the business cycle [M]. New York: Harvard Publishing, 1934.
[10] FÖLSTER STEFAN, TROFIMOV GEORGI. Industry evolution and R&D externalities [J]. Journal of Economic Dynamics and Control,1997, 21(10): 1727-1746.
[11] NELSON, RICHARD R. Recent evolutionary theorizing about economic change [J]. Journal of Economic Literature, 1995(3): 48-90.
[12] WILLIAM J, JAMES M. Patterns of industrial innovation [J]. Technology Review, 1978, 80(7): 40-47.
[13] JOVANOVIC, BOYAN. Selection and the evolution of industry [J]. Econometrica: Journal of the Econometric Society, 1982, 649-670.
[14] BENKARD C, LANIE. A dynamic analysis of the market for wide-bodied commercial aircraft[J]. The Review of Economic Studies, 2004, 71(3): 581-611.
[20] 毕学成,谷人旭,苏勤.产业集聚背景下制造业省内转移过程与机理[J].河海大学学报:哲学社会科学版,2018,20(3):83-90+99.
[21] 毕学成,苏勤,张顺.黄山市旅游业与居民生活水平协调质量测度研究[J].安徽农业大学学报:社会科学版,2015,24(4):30-38.
[22] 仇方道,朱传耿,孔令平,等.江苏省县域经济差异及时空特征分析[J].经济地理,2004,24(4).
[23] 彭宝玉,覃成林.河南县域经济实力评价及空间差异分析[J].地域研究与开发,2007(1):45-49.
[24] 王健,金浩,纪芬叶.河北省县域经济竞争力比较研究[J].河北工业大学学报,2007,36(6):75-79.
[25] 吴海鹰,段庆林.西部县域经济基本竞争力综合评价研究[J].中央财经大学学报,2004(2).
[26] 叶苗苗,韩玉刚,毕学成.皖江城市带县域经济竞争力空间分异特征及影响因素论析[J].宿州学院学报, 2015,30(2):27-31.
[27] MARSAN G, K MAGUIRE. Categorisation of OECD regions using innovation-related variables [R]. Paris: OECD Publishing, 2011.
[28] HUGO HOLLANDERS, NORDINE ES-SADKI. Regional innovation scoreboard[R]. Luxembourg: European Union, 2017.
[29] 毕学成,谷人旭,苏勤,等.江苏省制造业集聚及地理格局演化[J].华东经济管理,2018,259(7):14-23.
[30] 李娜,王飞.中国主导产业演变及其原因研究:基DPG方法[J].数量经济技术经济研究,2012(1):19-33.
[31] 董姝娜,武向平.区域经济一体化进程中政府间合作模式研究[J].经济纵横,2013(7):97-100.
[32] 段小薇,李璐璐,苗长虹,等.中部六大城市群产业转移综合承接能力评价研究[J].地理科学,2016, 36(5):681-690.
[33] 郑备.论四川产业结构优化中的空间协调[D].成都:四川大学,2006.
[34] 刘红光,王云平,季璐.中国区域间产业转移特征、机理与模式研究[J].经济地理,2014,34(1):102-107.
[35] FORAY D, GODDARD J, BELDARRAIN X G, et al. Guide to research and innovation strategies for smart specialisations [R]. Luxembourg: European Union, 2012.
[36] 张亮,刘义成.我国省际边界区域发展问题及对策研究[J].经济纵横,2015(7):90-93.
[37] 王璨.产业升级视角下的高新区产业空间布局研究[D].绵阳:西南科技大学,2017.